遥感非监督分类实验报告书
遥感图像解译实验报告
实验一非监督分类一、基本原理非监督分类的前提是假定遥感影像上同类地物在相同的条件下具有相同的光谱特征信息。
非监督分类不需要先验类别知识的情况下，仅依靠影像本身的特征进行特征提取，根据统计特征及点群的分布情况来划分地物。
ERDAS 的非监督分类是基于迭代自组织数据图1 ISODATA算法流程图ISODATA算法实现步骤：（1）按照某个原则确定一些初始聚类中心。
在实际操作时，要把初始聚类设定得大些，同时引入各种参数控制迭代的次数。
（2）像素聚类与分析。
计算像素与初始类别中心的距离，把像素分配到最近的类别中，从而获得每个初始类别的集群成员。
（3）确定类别中心。
在全部像素按照各类中心分类后，重新计算每一类新的均值，并作为下一次分类的中心，并执行上一步，循环迭代，直到达到迭代的次数。
二、分类过程运用非监督分类对遥感图像进行分类的过程，主要分为以下两个步骤：1、动非监督分类模块，选择输入、输出影像（1）在ERDAS面板工具中选择Classifier->Classification->Unsupervised Classification，打开非监督分类对话框。
（2）选择图像处理文件（Input Raster File）和输出文件（Output Cluster Layer Filename）设置被分类的图像和分类结果，并选择生成分类模板文件（Output Signature Set）产生一个模板文件。
2、初始参数，执行非监督分类在非监督分类对话框中分别设置聚类选项（Clustering Options）和处理选项（Processing Options）：（1）选择Classifier->Unsupervised Classification命令，打开非监督分类对话框，设定输入输出数据，设置聚类选项（Clustering Options），确定初始聚类方法和分类数。
（2）设置处理选项（Processing Options），确定循环次数和阈值。
实验四遥感图像的监督分类和非监督分类
实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。
3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。
⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。
Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。
⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。
实验四——非监督分类
实验四遥感影像分类——非监督分类非监督分类：是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（即相似度的像元归为一类）的方法。
1、K—均值分类算法K -Means非监督分类计算数据空间上均匀分布的初始类别均值，然后用最短距离技术对像元进行叠代，把它们聚集到最近的类中。
每次迭代重新计算了类别均值，且用这一新的均值对像元进行再分类。
除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，他们就不参与分类），所有像元都被归并到与其最临近的类别中。
这一过程持续到每一类的变化像元数少于所选的像元变化阈值或已经到了迭代的最多次数。
步骤：1）打开待分类的遥感影像数据——彼格哈恩.img2）依次打开：ENVI主菜单栏—>Classification—>Unsupervised—>K—Means即进入K均值分类数据文件选择对话框3）选择待分类的数据文件4）选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数的设置，包括分类的类数、分类终止的条件、迭代次数（Maximum Iteration）、类均值左右允许误差、最大距离误差以及文件的输出等参数的设置。
这里主要设置类别数目（Number of Classes）为6、迭代次数为10。
其他选项按照默认设置，输出文件。
5）建立光谱类和地物类之间的联系：在新窗口中显示分类结果图：然后，打开显示窗口菜单栏Tools菜单—>Color Mapping—>Class Color Mapping…进入分类结果的属性设置对话框，在这里，可以进行类别的名称、显示的颜色等修改，建立光谱类和地物类之间的联系。
更改类别颜色设置完成以后，点击菜单栏Options—>Save Changes 即完成光谱类与地物类联系的确立。
6）类的合并问题：如果分出的类中，有一些需要进行合并，可按以下步骤进行：选择ENVI 主菜单Classfaction—>Post Classfiction—>Combine Classes，进入待合并分类结果数据的选择对话框点击OK键，进入合并参数设置对话框，在左边选择要合并的类，在右边选择合并后的类，点击Add Combination键即完成一组合并的设置，如此反复，对其他需合并的类进行此项操作，点击OK，出现输出文件对话框，选择输出方式，即完成了类的合并的操作。
卫星遥感与航空摄影测量：非监督分类
《非监督分类》
非监督分类
提纲： 一、实验目的 二、实验内容 三、实验步骤
非监督分类
一、实验目的
掌握非监督分类的方法与过程，同时深刻理解监督分类 与非监督分类的区别。
二、实验内容
ERDAS IMAGINE遥感图像非监督分类。 ERDAS IMAGINE使用ISODATA算法（基于最小光谱距离公式） 来进行非监督分类，完全按照像元的光谱特性进行统计分类，常 常用于对分类区没有什么了解的情况。使用该方法时，原始图像 的所有波段都参于分类运算，分类结果往往是各类像元数大体等 比例。由于人为干预较少，非监督分类过程的自动化程度较高。
图6a 0pacity字段右 键formula窗口设置
非监督分类
三、实验步骤
2、分类评价
第五步：确定类别的专题意义及其准确度 虽然已经得到一个分类图像，但对于各个分类的专题意义还没确
定，这一步就是通过设置分类图像在原图像背景上闪烁显示，来观 察其与背景图像之间的关系，从而判断该类别的专题意义，并分析 其分类准确程度（如图6b，c）。
图6b 确定类别的专题意义修改颜色和透明度
非监督分类
三、实验步骤
2、分类评价
第五步：确定类别的专题意义及其准确度
图6c 确定类别的专题意义-通过Viewer Swipe确定类别专题（黄色为林地）
非监督分类
三、实验步骤
2、分类评价
第六步：标注类别的名称和相应的颜色 在属性字段表中将颜色改为接近地物的颜色，将名称填入name属
色，可以看到在viewer窗口中类别颜色改变了（如图5a,b）。
图5a 定义类别颜色
图5b 定义类别颜色后Viewer显示效果
非监督分类
三、实验步骤
遥感实验报告 非监督分类
《遥感概论》期末实验测试姓名院系年级专业学号日期一、实验目的。
能熟练掌握Erdas的一些基本操作步骤，并用此软件制作出重庆市黔江区的分类地图。
二、工具及材料(1)工具：截图工具、感图像处理系统软件Erdas9.2(2)数据来源：国际科学数据服务平台三、实验过程及结果(1)下载数据：我下载的是与家乡所在地邻近的重庆市黔江区的遥感影像图，具体下载步骤如下①首先，进入国际数据服务平台的首页，选择数据检索的下拉列表中的“LANDSAT数据检索”。
②然后如下图所示：输入要下载的行政区域，选择“Landsat 4—5”后点击查询。
④再下载数据即可（注：下载数据时应选择平均云量较低的数据）（2）波段合成：由于下载的数据包是组成图像的各个波段，所以想要得到需要的影像，必须先进行波段合成，具体步骤如下：Interpreter -> Utilities -> Layer Stack然后会弹出以下对话框：在input file里依次打开所下载的数据包里面的7张图，依次点击ADD 按钮，OUTPUT FILE 自定义，layer选项选择ALL，忽零值前打钩，最后点击ok完成影像波段合成。
最终的合成图像如下：（3）直方图均衡化处理：对图像进行非线性拉伸，重新分配图像像元值，使一定灰度范围内像元的数量大致相等，这样可以达到粗略分类的效果。
步骤：Interpreter -> Radiometric Enhancement -> Histogram Equalization 均衡化处理后效果图如下：（4）裁剪处理：有时需要对影像的某一部分进行处理，此时就可以通过裁剪处理提取需要的那一部分。
具体步骤：DataPrep -> Data Preparation -> subset Image，然后再input File中输入要裁剪的图像，在原图像中选取裁剪范围的左上、右下两个点的坐标，输入下面的对话框中：点击OK后输出以下裁剪结果图如下：(5)半透明效果（Blend）：(6)非监督分类（Unsupervised Classification）：先对分类过程不施加任何先验知识，凭像元的光谱特征，运用迭代自组织分析算法，把一组像素按照相似性归为若干类别。
实验八 遥感图像非监督分类(胡)
→右键点击该类别的Color字段（颜色显示区） →As Is菜单→选择一种合适的颜色
重复以上4、5、6三步直到对所有类别都 进行了分析与处理。注意，在进行分类叠加 分析时，一次可以选择一个类别，也可以选 择多个类别同时进行。
1、
பைடு நூலகம்
第二步：进行非监督分类
确定输出文件（Input Raster File）:germtm.img（要被 分类的图像）
→确定输出文件（Output File）: germtm-isodat.img（即将 产生的分类图像）
→选择生成分类摸板文件： Output Signature Set（将产生 一个模板文件） →确定分类摸板文件（Filename ）： germtm-isodat.sig →对Clustering options选择Initialize from Statistics单选框 Initialize from Statistics指由图像文件整体（或其 AOI区域）的统计值产主自由聚类，分出类别的多少由自 己决定。Use Signature Means是基于选定的模板文件 进行非监督分类，类别的数目由模板文件决定。
第四步：不透明度设置
由于分类图像覆盖在原图像上面，为了对单个类别的判别精度进行分析，首 先要把其它所有类别的不透明程度（Opacity）值设为0（即改为透明），而 要分析的类别的透明度设为1（即不透明）。
Raster Attribute Editor 对话框（ germtm-isodat.img的属性表）：
性表中的11个记录分别对应产生的10个类及 Unclassified类，每个记录都有一系列的字段。如果想 看到所有字段，需要用鼠标拖动浏览条，为了方便看 到关心的重要字段，需要调整字段显示顺序。
实验八、遥感图像非监督分类
遥感图像非监督分类
一、简介
非监督分类运用ISODATA（interative self-organizing data analysis technique）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。
由于人为干预较少，非监督分类过程的自动化程度较高。
非监督分类一般要经过初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换和统计分析等步骤。
二、实验目的
（1）熟悉非监督分类方法的含义。
（2）掌握在ERDAS软件中进行非监督分类的操作方法。
三、实验内容
利用ERDAS软件的分类模块，对TM图像进行非监督分类，将图像中的植被、水体、建筑等地物特征提取出来。
四、实验数据
五、实验步骤
第一步：进入ERDAS IMAGINE界面环境，打开一个Viewer窗口，打开TM图像，File → Open Image File，选择lanier.img文件。
导入图像，并对其进行预处理（几何校正）
（如图1）
第二步：非监督分类处理。
（1）第一步：调出非监督分类对话框：在ERDAS 图标面板工具条中点击
Classifier图标→Classification→Unsupervised Classification → Unsupervised Classification对话框如下，并设置参数。
（如图2）。
监督分类与非监督分类遥感实习
B、在Overlay下选择Classification，选择之前的非监督分类影像，对照原影像将10种类型进行编号并改名字，改变颜色；进行相同类别的合并：选择Classification中的分类后处理post classification，选择合并同类别Combine Classes，选择之前的非监督分类影像，在输入的文件中依次选择要合并的类，在输出的文件中选择相同的类别，点击Add Combination，所有的类别合并完后点击确定即可。
3.注意：此次实习内容的操作环境为ENVI Classic经典版，上机课上将演示新版本操作。同时此次实习内容为大作业中视频教程中省略的部分。
基本原理
1、监督分类：监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识，进而可利用这些样本类别的特征作为依据建立和训练分类器（亦即建立判别函数），进而完成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。也就是根据地表覆盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最后完成整景影像的分类。监督分类的具体步骤：
3、最大似然分类法是基于概率论中每个像元存在属于所有类别的概率，假设各个类别训练数据都呈现关于类均值矢量和方差参数的n维高斯正态分布，根据像元矢量和上述假设可利用n维正态分布函数计算像元矢量属于各个类别的概率，比较各个类别的概率值，并将像元划归到概率最大的那个类别当中去。
4、分类混淆矩阵（误差矩阵）是指采用随机采样的方法获取一批地面参考验证点的信息作为真值，与遥感分类图进行逐像元比较。然后将结果归纳到混淆矩阵，进而完成混淆矩阵分析。其中结果分为类别精度与总精度，其中类别精度被正确分类的类别像元数占该类别训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，总精度是指被正确分类的总像元数占评价样本像元总数的百分比。
实习三 遥感图像的监督分类与非监督分类
实验三遥感图像的监督分类与非监督分类[实验目的]1.理解遥感图像的监督分的含义；2.会使用ENVI软件对遥感图像进行监督分类。
[实验原理]在遥感图像分类中，按照是否有已知训练样本的分类依据，分类方法又分为两大类：监督分类与非监督分类。
遥感图像的监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式（判别规则），进而把图像中的各个像元点划归到各个给定类的分类。
遥感图像的非监督分类是在没有先验知识（训练场地）的情况下，根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理，事后再对已分出的各类的地物属性进行确认，也称作“边学习边分类法”。
两者的最大区别在于，监督分类首先给定类别，而非监督分类则由图像数据本身的统计特征来决定。
[实验步骤]一监督分类（数据采用njtmcorrected）监督分类技术需要在执行以前事先定义训练分类器（training classes）, 训练分类器也可以用ENVI 感兴趣区（ROI）函数限定。
ENVI的监督分类技术包括平行六面体(平行管道)、最小距离、马氏距离、最大似然、波谱角度制图仪以及二进制编码方法1. “开始”->“程序”->RSI ENVI4.0->ENVI，打开ENVI4.0界面；2. 选择File > Open Image File.3. 当出现Enter Data Filename 对话框，选择要打开的文件名，再点击“OK”，在Available Bands List框里点击Load Band ，图像显示在图像显示窗口。
4. 选择“基本工具”－>感兴趣区－>ROI工具，弹出ROI Tool对话框。
5. 在ROI_Type菜单里选择建立感兴趣区的类型，可以选择Polygon、Polyline、point、Rectangle、Ellipse等类型。
6. 在Window栏里选择要建立感兴趣区的窗口，可以选择Image、Scroll、Zoom窗口。
非监督分类实习报告
一、实习背景随着人工智能技术的飞速发展，机器学习在各个领域得到了广泛的应用。
非监督学习作为机器学习的一个重要分支，旨在通过算法自动将数据集划分为若干个类别，而不需要预先定义类别。
为了深入了解非监督学习在分类任务中的应用，我参加了为期一个月的非监督分类实习项目。
二、实习目标1. 掌握非监督学习的基本概念和原理；2. 熟悉常用的非监督学习算法，如K-means、层次聚类、DBSCAN等；3. 学会使用Python等编程语言进行非监督学习实践；4. 分析非监督学习在分类任务中的应用效果，并针对实际问题提出改进措施。
三、实习过程1. 非监督学习基础知识学习在实习初期，我学习了非监督学习的基本概念和原理，包括聚类、降维、异常检测等。
通过阅读相关文献和在线课程，我对非监督学习有了初步的了解。
2. 非监督学习算法实践在掌握了非监督学习基础知识后，我开始进行算法实践。
以下是我对几种常用非监督学习算法的实践过程：（1）K-means聚类K-means聚类是一种基于距离的聚类算法，它将数据集划分为K个簇，使得每个簇内的数据点距离聚类中心最近。
我使用Python的sklearn库实现了K-means聚类，并针对一组模拟数据进行了实验。
（2）层次聚类层次聚类是一种基于层次结构的聚类算法，它将数据集逐步合并为一个大簇，并记录合并过程中的信息。
我使用Python的scipy库实现了层次聚类，并针对一组模拟数据进行了实验。
（3）DBSCAN聚类DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一种基于密度的聚类算法，它将数据集划分为若干个簇，并识别出噪声点。
我使用Python的sklearn库实现了DBSCAN聚类，并针对一组模拟数据进行了实验。
3. 非监督学习在分类任务中的应用在实习过程中，我尝试将非监督学习应用于分类任务。
以下是我对两种应用场景的实践：（1）数据降维降维是将高维数据转换为低维数据的过程，有助于提高后续分类算法的效率和准确性。
遥感分类的实习报告
一、实习背景与目的随着遥感技术的飞速发展，遥感分类在资源调查、环境监测、灾害预警等领域发挥着越来越重要的作用。
本次实习旨在通过实际操作，让学生掌握遥感分类的基本原理和方法，提高学生运用遥感数据解决实际问题的能力。
二、实习内容本次实习主要内容包括：1. 遥感影像数据获取与预处理：学习遥感影像数据的获取途径，掌握遥感影像预处理方法，包括辐射校正、几何校正、裁剪等。
2. 遥感影像特征提取：学习遥感影像特征提取方法，包括光谱特征、纹理特征、形状特征等。
3. 遥感分类方法：学习常用的遥感分类方法，如监督分类、非监督分类、模糊分类等。
4. 分类结果评价与优化：学习分类结果评价方法，如混淆矩阵、Kappa系数等，并对分类结果进行优化。
三、实习过程1. 遥感影像数据获取与预处理实习初期，我们学习了遥感影像数据的获取途径，包括卫星遥感数据、航空遥感数据等。
通过实际操作，我们掌握了遥感影像预处理方法，如辐射校正、几何校正、裁剪等。
以Landsat 8影像为例，我们进行了以下预处理步骤：（1）辐射校正：使用ENVI软件对Landsat 8影像进行辐射校正，消除大气、传感器等因素对影像辐射值的影响。
（2）几何校正：选择地面控制点，对Landsat 8影像进行几何校正，消除影像几何变形。
（3）裁剪：根据研究区域范围，对Landsat 8影像进行裁剪，提取研究区域内的影像数据。
2. 遥感影像特征提取在遥感影像特征提取环节，我们学习了光谱特征、纹理特征、形状特征等提取方法。
以监督分类为例，我们选取了以下特征：（1）光谱特征：利用ENVI软件提取Landsat 8影像的波段组合，计算波段间的比值、比值比等光谱指数。
（2）纹理特征：利用ENVI软件提取Landsat 8影像的纹理特征，如灰度共生矩阵、局部方差等。
（3）形状特征：利用ENVI软件提取Landsat 8影像的形状特征，如面积、周长、形状因子等。
3. 遥感分类方法在遥感分类环节，我们学习了监督分类、非监督分类、模糊分类等常用方法。
监督分类与非监督分类遥感实习
4、分类混淆矩阵（误差矩阵）是指采用随机采样的方法获取一批地面参考验证点的信息作为真值，与遥感分类图进行逐像元比较。然后将结果归纳到混淆矩阵，进而完成混淆矩阵分析。其中结果分为类别精度与总精度，其中类别精度被正确分类的类别像元数占该类别训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，总精度是指被正确分类的总像元数占评价样本像元总数的百分比。
Clump对话框Sieve对话框Majority对话框
【结果与分析3】：（clump—sieve—majority）请替换如下对比图并分析发生的变化
分类后影像clump后影像
【分析】：聚类处理将邻近的类似分类单元进行聚类合并，可以看到影像中比较小的地物被合并，但是也将一些比较孤立的地物被错分。
分类后影像sieve后影像
实验结果
1、监督分类：（请将前后对比图截图至此）
原始影像监督分类后影像
【分析】：
2.运用ISODATA方法进行非监督分类结果对比图：
监督分类影像非监督分类影像非监督分类合并后处理影像
【分析】：
存在问题与解决办法
1、在监督导致地物选取有很大的误差，城镇居民区、工业区选区不能有效地区分，裸地与砾石也比较难以辨别。
距离和变换分散度都是一种特征空间距离度量方法是指影像特征矢量与各个类中心的距离变换分散度是tdivercd1expdivercd8jm距离j21e3最大似然分类法是基于概率论中每个像元存在属于所有类别的概率假设各个类别训练数据都呈现关于类均值矢量和方差参数的n维高斯正态分布根据像元矢量和上述假设可利用n维正态分布函数计算像元矢量属于各个类别的概率比较各个类别的概率值并将像元划归到概率最大的那个类别当中去
遥感实习遥感图像非监督分类
实验四非监督分类一、实验目的采用非监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。
二、实验数据与原理美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。
三、实验过程：1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。
点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。
2、查看光标值：从主影像窗口菜单中，选择Tools →Cursor Location/Value。
3、查看波谱曲线图从主影像窗口菜单栏中，选择Tools →Profiles →Z Profile (Spectrum)，开始提取波谱的剖面曲线。
非监督法分类：K-均值（K-Means）分类法从ENVI 主菜单中，选择Classification →Unsupervised →K-Means 或者IsoData，生成ENVI 非监督法分类后的影像。
使用默认参数，并选择路径，命名为ljs-can_tm_unsupervised.img生成后将之作为#2，在新窗口中打开，并建立与原can_tm图像的动态链接，在一个窗口中查看二者的关系。
遥感实验报告非监督分类
一、实验背景随着遥感技术的飞速发展，遥感数据在资源调查、环境监测、灾害评估等领域发挥着越来越重要的作用。
遥感图像的分类是遥感应用中的一项基础性工作，它将遥感图像中的像素根据其光谱特性划分为不同的类别，从而实现对地表地物的识别和提取。
非监督分类作为遥感图像分类的一种重要方法，因其无需预先设定分类类别，能够自动将相似像素归为一类，在遥感图像处理中具有广泛的应用。
二、实验目的1. 理解非监督分类的原理和方法；2. 掌握利用ENVI软件进行非监督分类的步骤；3. 分析不同非监督分类方法的效果，比较其优缺点；4. 将非监督分类应用于实际遥感图像处理，提取地表地物信息。
三、实验原理非监督分类，也称为聚类分析或无监督分类，是一种基于像素光谱特征自动将像素归为不同类别的分类方法。
其主要原理是：将像素按照其光谱特征相似性进行聚类，使得同一类别的像素之间的距离尽可能小，而不同类别的像素之间的距离尽可能大。
常用的非监督分类方法包括：1. K-Means聚类算法：将像素按照其光谱特征分为K个类别，使得每个类别内部的像素距离最小，不同类别之间的像素距离最大。
2. ISODATA聚类算法：在K-Means聚类算法的基础上，引入了噪声点和边界点的概念，使得聚类结果更加合理。
3. 密度聚类算法：基于像素空间分布密度进行聚类，适用于地表地物分布不均匀的情况。
四、实验步骤1. 数据准备：选择合适的遥感图像作为实验数据，并进行预处理，如辐射校正、几何校正等。
2. 选择分类方法：根据实验需求和图像特点，选择合适的非监督分类方法。
3. 参数设置：设置聚类数量、迭代次数等参数，以影响聚类结果。
4. 分类执行：利用ENVI软件进行非监督分类，生成分类结果图。
5. 分类结果分析：分析分类结果，评估分类效果，并根据需要调整参数。
五、实验结果与分析以某地区Landsat 8遥感图像为例，采用K-Means聚类算法进行非监督分类，将图像分为5个类别。
非监督分类
非监视分类实验报告1 实验目的通过本实验加强对遥感非监视分类处理理论局部的理解，熟练掌握图像非监视分类的处理方法，并将处理前后数据进展比拟。
2 实验内容利用Envy软件进展非监视分类，主要是应用IsoData和K-Means对实验数据进展处理，并进展比拟。
3 实验步骤和过程分类过程1.翻开envi软件，添加影像,并对数据进展裁切。
2.选择Classification→Unsupervised→isodata,选择数据Stack-b1-6167.img,出现下面的对话框，选择适宜的分类值，迭代值，3.翻开影像。
选择RGB翻开，设置为5,4,3波段4.Overlay→Classification,根据经历判断具体的地物类型5.将一样地物合并Classification→Post Classification→Combine Classess6.翻开合并后的影像，并进展颜色处理〔Classification→Post classification→Assign class colors)7.分类后处理Classification→Post classification→Majority/Minority Analysis分类过程1.K-means分类方法与isodata分类方法根本类似，不同的是是在第二步过程选择Classification→Unsupervised→k-means，选择数据Stack-b1-6167.img,出现下面的对话框，选择适宜的分类值，迭代值，2.我们设置了10次迭代，而系统只进展了6次，说明对我们设置的分类数只进展6次迭代就可以了3.此后与isodata步骤一样，得到合并后的以及颜色处理后的图像如图4.进展分类后处理5.结果如图比照IsoData和K-Means分类1.在Envy中，比拟IsoData和K-Means分类，可以将最终的结果影像放在一起，如下列图。
IsodataK-means将二者连接，比照红色矩形框的图像我们发现，K-means处理容易将一些细节局部弱化掉，使分类效果不如isodata好，因此人们常使用isodata进展非监视分类。
实习九遥感图像计算机分类-非监督分类
实验九遥感图像计算机解译-非监督分类一、实验目的进一步理解计算机图像分类的基本原理以及非监督分类的过程，初步掌握遥感图像计算机解译的基本方法，加深对非监督分类的理解。
二、实验内容ERDAS 遥感图像非监督分类三、实验数据与要求数据：gertm.img记录非监督分类的实验结果，整理完成实验报告。
四、实验主要过程1 、分类过程（ Classification Procedure ）第一步：调出非监督分类对话框指导学生掌握两种方法。
方法一：在ERDAS图标面板上点击DataPrep图标→Data Preparation 菜单→Unsupervised Classification菜单项→Unsupervised Classification 对话框方法二：在ERDAS图标面板工具条中点击Classifier图标：→Classification菜单→Unsupervised Classification菜单项→Unsupervised Classification对话框第二步：进行非监督分类调出： unsupervised classification 对话框（图 6-1 ），逐项填写。
注意问题：实际工作中常将分类数目取为最终分类数目的两倍；收敛域值是指两次分类结果相比保持不变的像原所占最大百分比。
图 9-1 unsupervised classification 对话框2 、分类评价（ Evaluate Classification ）第一步：显示原图像与分类图像学会在同一个窗口中，同时打开两个图像。
在视窗中同时显示germtm.img和germtm_isodata.img（在以自己名字命名的文件夹下可找到germtm_isodata.img）：两个图像的叠加顺序为germtm.img在下、germtm_isodata.img在上，germtm.img显示方式用红（4）、绿（5）、蓝（3），注意在打开分类图像时，一定要在Raster Option栏目中取消Clear Display选择项，以保证两幅图像叠加显示。
遥感非监督分类-实验报告书
遥感图像的非监督分类实验报告姓名：李全意专业班级：地科二班学号：2010214310指导教师：段艳日期：2012年6月3日1. 实验目的通过本实验加强对遥感非监督分类处理理论部分的理解，熟练掌握图像非监督分类的处理方法，并将处理前后数据进行比较。
2. 实验准备工作（1）准备遥感数据（本实验使用的是老师提供的遥感数据）；（2）熟悉遥感图像非监督分类的理论部分3．实验步骤4. 实验数据分析与结论（1）通过分类前后图像的比较，发现非监督分类后的图像容易区分不同地物；（2）分类过程中存在较多错分漏分现象，同种类别中有多种地物；（3）非监督分类根据地物的光谱统计特性进行分类，客观真实且方法简单，而且具有一定的精度。
5. 实验收获及需要解决的问题（1）对非监督分类处理遥感图像方法有了总体上的认识，基本上掌握该方法的具体操作步骤，会用该方法处理一些遥感图图像。
（2）如何减少错分漏分现象，使分类后的图像更加精确？3. 实验步骤(1) 在ERDAS工具条中点击Classifier Classification Unsupervised Classification, 在Unsupervised Classification对话框中，将参数设计设计如下：Number of classes：30,一般将分类数取为最终分类数的2倍以上；Maximum Iterations：18；点击Color Scheme Options决定输出的分类图像为黑白的；Convergence Threshold：0.95。
点击OK即可。
打开完成后图像与原图像对比：原图：完成后：（2）打开原图像，在视窗中点击File/Open/Raster Layer，选择分类监督后的图像classification1.img，在Raster Options中，取消Clear Display如下：得到下图：打开分类图像属性并调整字段显示顺序在视窗工具条中，点击图标打开Raster工具面板，点击Raster工具面板的图标，得到Raster Attribute Editor对话框，如下图：可在Raster Attribute Editor对话框中点击Edit/Columns Properties，通过Up、Down调节Columns中字段的顺序，最好将Histogram、Color、Opacity、Class-Names四个调到最前列。
遥感图像的分类实验报告
遥感图像的分类实验报告一、实验名称遥感图像的监督分类与非监督分类二、实验目的理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。
三、实验原理监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
非监督分类：也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。
四、数据来源本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山地区，中心纬度：38.90407 中心经度：113.11840。
鉴于实验内容及图像大小等问题，故从一景TM影像中裁取一个含有较丰富地物信息区域作为待分类影像。
五、实验过程1.监督分类1.1打开并显示影像文件，选择合适的波段组合加载影像打开并显示TM影像文件，从ENVI 主菜单中，选择File →Open Image File选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击Load Band 在主窗口加载影像。
1.2使用感兴趣区（ROI）工具来选择训练样区1）主影像窗口菜单栏中，选择Overlay >Region of Interest。
遥感图像非监督分类处理方法
第一步：进入ERDAS IMAGINE界面环境，打开一个Viewer窗口
并导入图像，并对其进行预处理（几何校正）（如图1）
图1
第二步：非监督分类处理。
（1）第一步：调出非监督分类对话框 Nhomakorabea在ERDAS图标面板工具条中点击
Classifier图标 →Classification→Unsupervised Classification
→Unsupervised Classification对话框如下，并设置参数。（如图2）
图2
说明：确定输入、输出、输出模板文件名及其路径，分类类别数目（Number of Class）:20以及最大循环数(Maximum Ltertions)：18，其余默认。
（2）非监督分类处理并输出其结果。（如图3）
（2）课后应进一步熟练该方法操作步骤以及遥感图像的预处理方法。
6．指导教师评语
教师签名：
年月日
备注：
4．实验数据分析与结论（可另附文字材料）
实验数据分析：（1）通过分类前后图像的比较，发现非监督分类后的图像
容易区分不同地物。
（2）分类过程中存在错分漏分现象，分类后的图像同一种地物属于不同类别，造成同种类别中有多种地物。
实验结论：（1）非监督分类直接对输入的数字图像像无数值（亮度值）进行统计运算处理，分别将每个像元归纳到由图像各波段构成的多维空间中的集群中，达到分类识别的目的。
1非监督分类直接对输入的数字图像像无数值亮度值进行统计运算处理分别将每个像元归纳到由图像各波段构成的多维空间中的集群中达到分类识别的目的
1．实验目的
学习并掌握遥感图像的另一种计算机分类方法，即非监督分类，通过上机实习加深对该方法的理解以及会运用该方法处理一些遥感图像。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
遥感非监督分类实验报告书
部门： xxx
时间： xxx
整理范文，仅供参考，可下载自行编辑
遥感图像的非监督分类实验报告
姓名：李全意
专业班级：地科二班
学号：2018214310
指导教师：段艳
日期：2018年6月3日
1. 实验目的
通过本实验加强对遥感非监督分类处理理论部分的理解，熟练掌握图像非监督分类的处理方法，并将处理前后数据进行比较。
b5E2RGbCAP
2. 实验准备工作
<1）准备遥感数据<本实验使用的是老师提供的遥感数据）；
<2）熟悉遥感图像非监督分类的理论部分
3．实验步骤
4. 实验数据分析与结论
<1）通过分类前后图像的比较，发现非监督分类后的图像容易区分不同地物；
<2）分类过程中存在较多错分漏分现象，同种类别中有多种地物；
<3）非监督分类根据地物的光谱统计特性进行分类，客观真实且方法简单，而且具有一定的精度。
5. 实验收获及需要解决的问题
<1）对非监督分类处理遥感图像方法有了总体上的认识，基本上掌握该方法的具体操作步骤，会用该方法处理一些遥感图图像。
p1EanqFDPw
Unsupervised Classification, 在Unsupervised Classification对话框中，将参数设计设计如下：
Number of classes：30,一般将分类数取为最终分类数的2倍以上；Maximum Iterations：18；
点击Color Scheme Options决定输出的分类图像为黑白的；Convergence Threshold：0.95。
点击OK即可。
打开完成后图像与原图像对比：
原图：完成后：
<2）打开原图像，在视窗中点击File/Open/Raster Layer，选择分类监督后的图像classification1.img，在Raster Options中，取消Clear Display如下：
得到下图：
打开分类图像属性并调整字段显示顺序在视窗工具条中，点击图标打开Raster工具面板，点击Raster工具面板的图标，得到Raster Attribute Editor对话框，如下图：
可在Raster Attribute Editor对话框中点击Edit/Columns Properties，通过Up、Down调节Columns中字段的顺序，最好将Histogram、Color、Opacity、Class-Names四个调到最前列。
点击OK即可。
在Raster Attribute Editor对话框中点击一个类别的ROW字段，从而选择该类别，在该类别color一栏中右击，选择一种颜色，重复以上步骤直至所有的类别赋予颜色。
如下图所示：
图像如下图所示：
<3）在Viewer对话框中点击Utility/Blend，调节游标，如下图所示：
也可在对话框中点击Utility/Swipe调节游标，如下图所示：
通过调节游标，来确定图中不同颜色所对应的地物，并在Class一栏的名称用地物代替，如下图所示：
点击Edit中的mergy进行合并即可。
申明：
所有资料为本人收集整理，仅限个人学习使用，勿做商业用途。